这不仅是技术的失败，更是战略和管理的失职。AI不是用来微调成本的螺丝刀，而是用来重塑价值链的发动机。
如果你的企业在AI上投入了巨资，却只换来了一些并不赚钱的“演示项目”（Pilots），请不要急着责怪你的CTO或算法模型。
最新的数据显示了一个残酷的现实：
麻省理工学院（MIT）：95%的生成式AI试点项目以失败告终。
麦肯锡（McKinsey）：80%的公司使用了AI，但绝大多数对利润没有任何显著影响。
在这个万亿美元级的赛道上，为什么绝大多数企业都在陪跑？
答案可能让你意外：不是技术不够好，是领导力没跟上。
根据Cisco的AI准备度指数，只有 13%的公司获得了持续可衡量的回报。这13%的赢家做对了什么？本文为你揭示AI转型的三大领导力陷阱与破局之道。
（Cost Cutting vs. Capacity Creation）
很多CEO拿到AI的第一反应是：“这能帮我裁掉多少人？”
反面教材：Klarna
这家公司曾通过AI客服裁掉了约700名员工。结果呢？客户满意度暴跌，最终不得不重新雇人。
https://36kr.com/p/3290432447115654
睿信咨询顾问解读：
这是一个经典的战略短视。
AI的真正价值不在于削减成本（Cutting Costs），而在于创造产能（Creating Capacity）。
真正的高手，是用AI接管那80%重复、低价值的工作，然后让被释放出来的高技能人才去专注于剩下20%能带来收入增长、客户忠诚度和创新突破的工作。
AI应当是员工能力的“扩音器”，而不是员工饭碗的“粉碎机”。
（Hype vs. Alignment）
报告指出，很多C-Suite（高管层）知道他们“需要”AI，但不知道“为什么”需要。
这种“恐慌性上车”导致了大量孤立的技术实验。这些项目没有明确的KPI，没有与核心战略绑定。当热度退去，它们就成了财务报表上首先被砍掉的累赘。
什么叫“业务对齐”？
错误：“我们要上一个大模型客服。”（这是技术动作）
正确：“我们要通过AI将客服响应速度提升50%，并将坐席人员的精力转移到高净值客户的深度服务上，从而提升CLV（客户终身价值）。”（这是业务目标）
（Human-Digital Coordination Layer）
r.Potential的CEO Greg Shewmaker提出了一个深刻的观点：
“企业AI采用的真正瓶颈不是供应（算力或模型），而是企业不知道在哪里或如何利用AI来完成实际工作。”
很多企业缺失了一个关键的“协调层”——即如何将原本由人完成的工作流，拆解为“机器做A部分 + 人做B部分”的新模式。
睿信咨询顾问解读：
我们正处于一个“领导力拐点”。
未来的CEO不仅要管理“人”，还要管理“硅基员工”（AI Agents）。你需要重新设计组织架构，定义人与AI的协作边界。如果你只是把AI塞进旧流程里，就像给马车装上喷气发动机，结果只会是车毁人亡。
面对这场代际变革，领导者需要从关注“技术实施”转向关注“组织重塑”：
重新定义ROI：不要在短期内只看节省了多少工资，要看AI为你创造了多少“新产能”和“新收入”。
建立“AI护栏”与“业务锚点”：每一个AI项目立项前，必须回答两个问题：它服务于哪个核心战略？它的成功指标（KPI）是什么？
投资于“人”的转型：既然AI接管了基础工作，那么你的员工准备好从事更高级的监督、创新和情感服务工作了吗？如果没有，现在的预算应该花在培训上，而不是更多的显卡上。
AI时代的赢家，不会是那些拥有最强算力的公司，而是那些拥有最清醒头脑的公司。
别让你的AI投资，仅仅变成了一张张填充了数据的电子表格。请用它来释放你组织中被压抑已久的、真正的人类创造力。
原文：AI 的低 ROI（投资回报率）归咎于领导力，而非技术
人工智能投资数额惊人，但大多数试点项目都以失败告终。真正的价值源于领导力的清晰度、战略的一致性，以及利用 AI 创造产能，而不仅仅是削减成本。
图片来源：SvetaZi / Shutterstock
围绕人工智能日益增长的炒作已经超过了以往任何一次技术变革。与之相伴的是巨额的投资。Gartner 估计，到 2025 年全球在 AI 上的支出将接近 1.5 万亿美元。尽管投入惊人，大多数组织仍在努力应对“承诺”与“实际价值”之间长期存在的巨大鸿沟。
支持这一点的最广泛认可的数据来自麻省理工学院（MIT）今年早些时候的一份报告，该报告显示 95% 的生成式 AI 试点项目以失败告终。麦肯锡的一项研究也发现，近 80% 的公司使用了生成式 AI，但几乎同样比例的公司表示其对利润底线没有显著影响。
但有证据表明，AI 确实在起作用，尽管范围有限。《2025 年思科 AI 准备度指数》显示，13%的公司从 AI 中获得了持续、可衡量的回报。虽然这只是少数，但领先的组织已经开始看到价值。然而，这种价值的源泉越来越多地来自于领导力的清晰度、战略一致性和执行力，而非技术本身。思科的指数对此进行了测量，发现 99% 实现了 AI 价值的公司都拥有明确的战略，拥抱变革，并包含帮助员工适应新技术的正式项目。
当今的 CEO 和 CIO 正面临一个代际的转折点。他们必须重新定义 AI 的成功——不再将其视为削减成本的手段，而是作为产能创造、创新和以人为本成果的驱动力。前进的道路需要拆解工作流程，重新评估自动化在何处能发挥作用，并赋能人才专注于增长和转型。
背景设定：AI 承诺 vs. 现实
在众多 CIO 中，最大的挑战在于高管层（C-Suite）和董事会知道他们“需要” AI，但不确定“为了什么”。这导致了不切实际的期望，认为 AI 将是解决所有问题的万灵药，能让生产力飙升。当结果不切实际时，一个原本成功的项目可能会被视为失败，因为最初的目标设定就是错误的。导致这一问题的一个因素是，许多业务单元没有设立相应的 KPI 来创建可衡量的业务指标。
一个典型的例子是联络中心（Contact Centers），AI 智能体可以用于坐席辅导、虚拟坐席、排班、通话评分、笔记记录等。衡量这些功能的价值可能很困难，因此许多企业默认选择通过裁减人工坐席来降低成本。如果不加节制地这样做，可能会适得其反。例如，Klarna裁掉了大约 700 名客服人员，结果导致客户服务评分暴跌，最终不得不重新雇佣员工。这不是技术问题，而是领导层没有制定正确的计划来理解其影响。
诊断问题：技术限制还是领导力缺失？
在 AI 和自动化技术项目上难以实现 ROI 的问题，往往与对问题的诊断混淆不清。确实，在整合复杂数据和扩展自动化规模方面，技术准备不足依然是一个挑战。然而，更多时候，真正导致问题的原因不在于技术本身，而在于技术工作的治理和领导方式。这表明技术成功实施的障碍更多在于董事会，而非代码或云端设置。失败之所以发生，是因为企业领导者优先考虑由市场炒作驱动的权宜之计，而忽视了真正的业务转型。
同样重要的是，在 AI 项目启动之前，必须有明确的业务对齐（Business Alignment），并理解用于计算 ROI 的衡量指标。那些作为孤立的技术实验启动、缺乏与战略优先级挂钩的明确商业案例的项目，往往难以衡量价值且价值模糊，最终成为容易被砍掉的项目。
领导力的转折点：超越削减成本
商业世界正处于一个领导力转折点，这是历史上第一次，劳动力转型将不仅仅涉及人类。随着 AI 和自主智能体的快速应用，领导者现在面临着关于如何在组织内创造和维护价值的复杂决策。这一转变不仅要求削减成本，还要重新构想人类技能与 AI 技术能力之间的关系，确保组织文化和流程能够适应这一混合劳动力的新时代。
企业智能公司 r.Potential 的 CEO Greg Shewmaker 表示：“大家都在竞相构建更多的 AI 模型、算力和智能体，但企业 AI 采用的真正瓶颈不是供应，而是企业不知道在哪里或如何利用 AI 来完成实际工作。我们认为缺失的关键一环是人类与数字工作之间的协调层，在这里你可以捕捉实际的劳动力需求，生成现实且可部署的人类和 AI 能力配置，并将其与实际业务成果相结合。如果我们做不到这一点，下一波自动化不仅会重塑公司，还会破坏工作本身的稳定性。”
他的观点凸显了许多高管忽视的事实：AI 的承诺不仅仅是技术或运营上的挑战，更是存在主义的领导力挑战。随着适合人类的任务与由机器自动化的任务之间的界限日益模糊，IT 和业务领导者将需要专注于通过深度整合人员、技术和文化来最大化价值创造。
因此，高管层必须重新考虑投资的时间表，并根据技术和市场需求扩大产能。这种人力资本管理的转变意味着能够预测未来的劳动力需求，并与基于机器的智能同步部署人力资源。创新应当优先考虑——这不再仅仅是提升现有绩效，更多的是确保组织能够保持敏捷，并准备好在相关基础设施和自我重塑方面促进创新。
拆解工作与价值创造
理解工作的关键组成部分对于从 AI 中获得可理解的 ROI 至关重要。任何回报都必须综合考虑技术的采用和流程的转型。目标应是利用 AI 在需要人类判断、同理心和创造力的领域放大人类的努力，而不是仅仅在重复性任务领域，从而将人力资源分配到更高价值的监督和人际角色上，使其发挥最大的生产力和价值。
成功的关键是重新聚焦于通过 AI 赋能人才以推动收入增长和创新。因此，目标是战略性地应用 AI，将高技能人才从那 80%可以、应该且必须自动化的工作中解放出来，让他们能专注于那最后的 20%——即驱动新收入增长、客户忠诚度和创新突破的核心工作。
AI 时代将重塑每个行业，如果 CIO 和 CEO 不随之进化，AI 投资将被浪费。实现 AI 真正价值的关键在于确保领导力具备未来就绪（Future-ready）的素质，并拥抱新技能和变革。这不在于成为房间里最好的程序员，而在于建立正确的领导结构。这涉及一种领导心态：利用 AI 推动以人为本的目标，而不仅仅是用 AI 数据填充运营电子表格。这需要在决策的各个方面都遵循严格的伦理和治理规范，并且在业务层面实现坚定的一致性，确保每个 AI 项目都有明确的组织目标。
编审：@lex
